터보머신을 위한 머신 러닝으로 디지털 스레드 짜기

에릭 뭉크텔(Erik Munktell)

과거, 현재, 미래를 어떻게 결합할 수 있습니까? 관점에 따라 상황은 빠르게 변할 수도 있고 정체될 수도 있습니다. 현재 상황에 대해 우리가 할 수 있는 일은 없을까요? 당신이나 다른 사람의 운명을 바꿀 수 있습니까? 고대 북유럽 신화에서 운명은 노른들이 엮은 실에 의해 결정되며, 당신이 태어나기 오래 전에 결정되었습니다. 그들은 과거, 현재, 미래를 통제했고 그것을 바꾸기 위해 당신이 할 수 있는 일은 아무 것도 없었습니다.

이런 유형의 사고는 더 이상 일반적이지 않습니다. 좀 더 최근에 현대에 살고 있는 한 스웨덴 사람은 다음과 같이 유명하게 말했습니다. “대부분의 일은 아직 끝나지 않았습니다. 멋진 미래!”. 이 명언은 IKEA의 창립자인 고 잉바르 캄프라드(Ingvar Kamprad)의 말입니다. Ingvar는 항상 개선이 이루어져야 하고 더 나은 제품이 만들어져야 한다고 생각했습니다. 이 글을 쓸 때 우리는 그레고리력에 따라 2024년으로 전환했으며, 우리 모두는 다가올 새해에 대해 낙관적인 전망을 갖고 싶어하는 시기입니다.

새로운 엔지니어링 및 시뮬레이션 기술에 관해서는 인공 지능(AI) 및 기계 학습(ML) 내에서 어떤 일이 일어나고 이것이 미래 제품에 어떤 영향을 미칠 수 있는지에 대해 이야기하지 않을 수 없습니다. 이러한 기술 혁명을 통해 우리는 앞으로 몇 년 동안 많은 발전을 보게 될 것입니다. 여기에 CAD(컴퓨터 지원 설계)를 CAE(컴퓨터 지원 엔지니어링) 및 제조(CAM)에 연결하는 Siemens 디지털 스레드 기술과 결합하면 경쟁 우위를 확보하고 신제품을 더 빠르게 시장에 출시할 수 있습니다.

터보기계 산업의 몇 가지 예를 살펴보겠습니다. 나는 Dall-E에게 제트 엔진 조립 방법에 대해 IKEA와 유사한 지침을 생성해 달라고 요청했습니다. 그림 2는 나의 첫 번째 시도를 보여줍니다.

지금으로서는 기계에 더 나은 기계를 만드는 데 도움을 줄 엔지니어가 여전히 필요할 수 있으므로 몇 년은 더 일을 계속할 수 있을 것 같습니다.

가스 터빈 설계 워크플로의 최신 기술 상태 살펴보기

그림 3은 NX를 사용하여 제트 엔진 어셈블리의 CAD 이미지에 대한 “전통적인” 접근 방식을 보여줍니다. 과거에는 가스 터빈을 설계하는 데 몇 년이 걸렸고 항상 성공할 수는 없었습니다. 디지털 도구 덕분에 우리는 디자인 최적화에 대한 다학제적 접근 방식을 통해 오늘날의 디자인을 아주 쉽게 개선할 수 있습니다.

매우 발전된 물리학과 복잡한 기하학임에도 불구하고 오늘날 이러한 여러 단계를 자동화된 방식으로 결합할 수 있습니다. CAD를 활성 상태로 유지하면 경계 조건과 다양한 버전을 완전히 제어할 수 있습니다. 구성 요소의 설계 프로세스는 그림 4의 회로도에 나와 있습니다. 이는 NX의 CAD를 Simcenter STAR-CCM+ 및 Simcenter 3D와 같은 다양한 CAE 시뮬레이션 도구에 결합하여 수행됩니다. 자동화 및 최적화는 HEEDS에서 처리되며 모든 데이터는 Teamcenter에서 관리됩니다.

공기 역학을 통한 효율성 향상, 기계적 무결성 및 내구성 개선, 냉각 공기 사용량 감소 또는 새로운 연소 연료 감소 등은 실제로 중요하지 않습니다. 그것들은 모두 서로 영향을 미치며 현대의 다학제적 디자인 공간 탐색 방법을 올바르게 사용하지 않으면 경쟁력과 혁신을 이룰 수 없습니다.

제품 개발을 효과적으로 수행하기 위해 우리는 프로세스 초기에 가능한 한 많은 디자인을 평가하려고 합니다. 미래를 향한 다음 단계를 밟는다는 것은 이를 기계 학습과 결합하는 것을 의미합니다. 왜냐하면 설계 공간은 많은 분야가 관련되어 빠르게 커질 수 있기 때문입니다. 현재 전산유체역학(CFD)이나 유한요소법(FEM)으로 평가되고 있는 설계 공간에서 기계 학습 알고리즘이 실시간으로 스스로 훈련할 수 있다면 어떨까요?

미래 제품 엔지니어링을 위한 다분야 설계 최적화 개선

이를 위해 터보 기계와 관련된 두 가지 개념 증명이 있습니다. 하나는 110kg/s 및 1200rpm의 유량에서 워터 펌프 효율을 최적화하는 것입니다. 우리는 12개의 기하학적 변수와 블레이드 수를 사용하여 매개변수화된 모델을 작업했습니다.

종합적인 MDAO(다분야 설계 분석 및 최적화) 소프트웨어인 HEEDS는 기본 검색 방법인 SHERPA를 사용하여 여러 검색 전략을 동시에 수행하고, 설계 공간을 학습하면서 문제에 동적으로 적응합니다. SHERPA를 통해 HEEDS는 40시간 안에 300가지 디자인 변형을 발견할 수 있습니다. HEEDS의 추가 확장 기능인 HEEDS AI 시뮬레이션 예측기의 도입으로 SHERPA의 검색 기술이 크게 향상되었습니다. 일부 CFD 시뮬레이션은 자동으로 훈련된 AI 모델을 통해 수행되는 AI 평가로 대체되어 초기 시뮬레이션에서 얻은 통찰력을 활용하여 이 프로세스를 혁신합니다. 이 경우 CFD 실행은 151회, AI 평가는 149회(총 300회)로 계산되었습니다. 동일한 결과를 얻는 데 대략 20시간이 걸렸고 시간이 49% 절약되었습니다. 펌프 효율은 3%, 양정은 10% 증가했습니다.

그림 5: 워터 펌프 – HEEDS AI 시뮬레이션 예측기를 사용한 설계 공간 탐색 – CAD 및 CFD 결과

두 번째 사례는 냉각 최적화를 위한 가스터빈 블레이드입니다. 여기서 목표는 블레이드 온도를 최소화하고 냉각 공기 질량 흐름을 최소화하는 것입니다. NX의 매개변수화된 CAD는 Simcenter STAR-CCM+에서 시뮬레이션하는 데 사용됩니다. CAD는 냉각 리브와 샤워 헤드 구멍이 변경된 구불구불한 채널에 대해 34개의 매개변수화된 특성을 갖습니다(그림 7 참조). 이 사례에 대해 수행된 500개의 설계 평가에서는 AI를 사용한 CFD 시뮬레이션을 건너뛰고 여전히 동일한 최상의 솔루션에 도달하여 약 38%의 시간이 절약되었습니다. 이는 각 시뮬레이션에 160개의 코어를 사용하는 경우 20일의 시간이 절약된다는 의미일 수 있습니다. 이렇게 하면 프로젝트에서 몇 주, 몇 달을 쉽게 절약하고 더 나은 제품을 더 빨리 시장에 출시할 수 있습니다.

그림 7: HEEDS AI 시뮬레이션 예측기, NX 및 Simcenter STAR-CCM+를 사용한 복합 열 전달 터빈 블레이드 설계 공간 탐색을 위한 외부 및 내부 온도.

이미 인상적인 CAD-CAE 워크플로우에 AI 및 기계 학습을 추가하는 첫 번째 예를 통해 기계 학습 또는 최적화 전문가가 아니더라도 시작하는 것이 얼마나 쉬운지, 잠재력을 이미 확인할 수 있습니다. AI와 ML의 혁명이 얼마나 커질지, 그리고 그것이 기계 산업의 운명에 미칠 영향을 말하기는 아직 이르다. 그러나 우리는 그것이 경쟁에서 앞서가는 열쇠가 될 것이라는 것을 이미 알고 있습니다. 결론적으로 내 조언은 다음과 같이 요약된다.

1. 지혜가 중요하므로 과거에 우리가 한 일로부터 배우십시오.
2. 이를 디지털 스레드에서 사용하여 기존 제품과 방법을 개선하세요.
3. 당신의 운명을 조종해 멋진 미래를 만들어보세요!

감사의 말씀:

저는 Gabriel Amine-Eddine, Jeremy Hanke 및 René Braun의 훌륭한 엔지니어링 작업에 감사를 표하고 싶습니다.

당신은 또한에 관심이있을 수 있습니다…